1.基于深度学习及用户评论内容的个性化推荐方法,其特征在于,该方法包括以下步骤:获取用户评论内容公开数据集;
将用户评论内容进行分词得到各句子序列;根据情感词典内的积极情感词与消极情感词得到各句子序列的情感属性序列;根据数据集内积极情感词与消极情感词的分布修正情感属性序列获取完备情感属性序列;结合完备情感属性序列及句子序列中的否定词数量得到各句子序列的评论基础情感分数;获取完备情感属性序列的一阶条件差分序列;根据一阶条件差分序列得到各句子序列的情感分析难度指数;结合评论基础情感分数及情感分析难度指数得到各句子序列的评论综合情感分数;结合评论综合情感分数训练商品评论情感分类模型;利用商品评论情感分类模型完成用户评论内容推荐;
所述根据情感词典内的积极情感词与消极情感词得到各句子序列的情感属性序列,包括:针对各句子序列,将其中词语在情感词典中为积极情感词的情感属性标记为1,将其中词语在情感词典中为消极情感词的情感属性标记为‑1,在情感词典中为其他类型的所有词语的情感属性标记为0,将标记的所有情感属性作为情感属性序列;
所述根据数据集内积极情感词与消极情感词的分布修正情感属性序列获取完备情感属性序列,包括:针对各句子序列,若其中词语在情感词典中,则词语对应的情感属性为完备情感属性,反之,统计在数据集中词语与情感词典中的积极情感词同时出现在一个句子中的次数,记为第一次数,统计在数据集中词语与情感词典中的消极情感词同时出现在一个句子中的次数,记为第二次数,计算第一次数与第二次数的差值,将所述差值与词语在数据集中出现的总次数的比值作为词语的完备情感属性,将所有词语的完备情感属性作为完备情感属性序列;
所述结合完备情感属性序列及句子序列中的否定词数量得到各句子序列的评论基础情感分数,包括:统计句子序列中出现否定词的次数,将所述次数作为以‑1为底数的指数函数的指数,计算所述指数函数的计算结果与句子序列中各词语的完备情感属性的乘积,将句子序列中所有词语的所述乘积的和值作为句子序列的评论基础情感分数;
所述获取完备情感属性序列的一阶条件差分序列,包括:
一阶条件差分序列中的元素值的表达式为:
式中,ti表示一阶条件差分序列中的第i个元素值,q′i表示句子序列中第i个词的完备情感属性,q′i‑1表示句子序列中第i‑1个词的完备情感属性,e表示自然常数;
所述根据一阶条件差分序列得到各句子序列的情感分析难度指数,包括:
针对各句子序列的一阶条件差分序列,将一阶条件差分序列所有元素的均值作为各句子序列的情感分析难度指数;
所述结合评论基础情感分数及情感分析难度指数得到各句子序列的评论综合情感分数,包括:针对各句子序列,计算评论基础情感分数与情感分析难度指数的比值,将所述比值的归一化值作为各句子序列的评论综合情感分数;
所述利用商品评论情感分类模型完成用户评论内容推荐,包括:
将单个用户针对单个商品的多句评论作为训练完成的商品评论情感分类模型的输入,输出为每句评论的标签,将所有所述标签的对应得分的均值作为当前用户对商品的喜好度,获取与当前用户对所述商品具有相同喜好度的其他用户,将其他用户喜欢的所有商品中喜欢度最高的商品作为当前用户的推荐内容。
2.根据权利要求1所述的基于深度学习及用户评论内容的个性化推荐方法,其特征在于,所述将用户评论内容进行分词得到各句子序列,包括:针对各句用户评论内容,利用分词工具划分为各个词语,句子序列为所有词语的组合。
3.根据权利要求1所述的基于深度学习及用户评论内容的个性化推荐方法,其特征在于,所述结合评论综合情感分数训练商品评论情感分类模型,包括:针对数据集中的各句评论,若对应句子序列的评论综合情感分数大于0,则将该句评论的标签记为喜欢,反之,标签记为不喜欢,商品评论情感分类模型为卷积神经网络,将标记完成的所有评论用以训练商品评论情感分类模型。